Penentuan Lokasi Parkir Kosong Menggunakan Algoritma Probabilistic Neural Network (PNN) Chapter III V
BAB 3
ANALISIS DAN PERANCANGAN
Bab ini membahas tentang data yang digunakan, penerapan algoritma dan analisis
perancangan sistem terhadap implementasi algoritma Probabilistic Neural Network
dalam melakukan proses penentuan lokasi parkir kosong. Tahapan yang dibahas pada
bab ini ada dua, yaitu tahap analis dan tahap perancangan sistem. Adapun dalam tahap
analis akan membahas mengenai analisis terhadap citra dan metode yang digunakan,
sedangkan pada tahap perancangan sistem akan membahas perancangan tampilan
antarmuka.
3.1. Arsitektur Umum
Metode yang diajukan penulis untuk menentukan lokasi parkir kosong terdiri dari
beberapa proses. Adapan proses yang akan dilakukan adalah sebagai berikut: Citra
akan di proses dari kamera yang diambil dari kamera DSLR yang kemudian akan
memasuki proses pre-processing image. Dalam proses ini citra akan mengalami
proses saturation, grayscale dan thresholding yang akan menghasilkan citra hitam dan
putih dengan kontras yang lebih tajam untuk mempermudah sistem melakukan proses
selanjutnya. Kemudian akan dilakukan proses cropping dimana setiap lokasi parkir
mobil akan di potong sesuai dengan jumlah yang diinginkan. Proses selanjutnya
adalah penerapan metode Probabilistic Neural Network (PNN) untuk mengenali
lokasi mana sajakah yang sedang kosong atau terisi mobil dan hasil akhir akan
menjadi lebih akurat dengan penerapan algoritma ini. Adapun arsitektur umum yang
mendeskripsikan setiap metodologi pada penelitian ini ditunjukkan pada Gambar 3.1.
Universitas Sumatera Utara
24
Gambar 3.1. Arsitektur Umum
3.2. Data yang Digunakan
Data yang digunakan untuk membangun sistem Penentuan Lokasi Parkir Kosong
menggunakan Algoritma Probabilistic Neural Network (PNN) di ambil dari lokasi
parkir Rumah Sakit Universitas Sumatera Utara. Adapun lokasi parkir yang digunakan
untuk pengambilan data adalah lokasi parkir yang berada di luar gedung (outdoor)
Universitas Sumatera Utara
25
dengan intensitas cahaya yang memadai. Pada proses training dibutuhkan data citra
untuk melatih sistem mengenali lokasi parkir yang kosong. Kemudian pada saat
proses testing data yang digunakan adalah sebuah citra yang akan di identifikasi oleh
sistem, dengan demikian akan diketahui lokasi parkir yang kosong atau terisi mobil.
Citra diambil dengan menggunakan kamera Digital Single Lens Reflex (DSLR) yang
memiliki format .jpg.
3.2.1. Capturing Image
Citra lokasi parkir yang digunakan untuk input adalah citra yang dapat menampung 5
jumlah mobil. Adapun input yang akan di proses pada tahap ini merupakan citra yang
diambil dari kamera DSLR dan sistem secara otomatis menangkap citra setiap sekitar
30 detik sekali untuk diproses ke tahap selanjutnya.
3.2.2. Data training
Data training pada penelitian ini dibagi menjadi 2, yaitu data training parkir penuh
dengan kondisi terisi mobil pada setiap slot parkir yang ada dan data training parkir
kosong dengan kondisi tidak terisi mobil pada setiap slot parkir. Data tersebut akan
disimpan ke dalam database untuk mempermudah sistem. Adapun jumlah data
training parkir penuh adalah 40 citra yang setiap citra dibagi menjadi 5 data training,
jadi jumlah nya adalah 200 data training. Sedangkan untuk data training parkir kosong
terdiri dari 20 citra dengan jumlah 100 data training. Contoh data training yang
digunakan dapat dilihat pada Gambar 3.2.
(A)
Universitas Sumatera Utara
26
(B)
Gambar 3.2. Data Training (A) Data Training Terisi Penuh (B) Data Training
Kosong
3.2.3. Data testing
Data testing merupakan data yang digunakan untuk menguji sistem, dengan adanya
data testing sistem dapat mengenali kondisi lokasi terisi atau penuh dengan
membandingkan dengan data training. Data yang digunakan diambil dari kamera
DSLR dengan posisi pengambilan tertentu yang akan menghasilkan citra yang dapat
di proses ke tahap selanjutnya. Contoh data testing dapat dilihat pada Gambar 3.3.
Gambar 3.3. Data Testing
3.3. Pre-processing
Pre-processing image adalah tahapan awal dalam penelitian ini. Tahap ini bertujuan
untuk memproses citra yang masuk agar diubah menjadi citra yang siap untuk
Universitas Sumatera Utara
27
diproses lebih lanjut. Adapun tahapan dalam pre-processing image terdiri dari proses
saturation, grayscale dan thresholding.
3.3.1. Saturation
Pada proses saturation, citra akan diubah menjadi lebih terang dan dipertajam untuk
mendapatkan hasil yang maksimal. Setelah melalui tahap ini warna citra akan di
dominasi oleh warna orange dan citra lebih terlihat lebih jelas. Gambar 3.4 akan
menunjukan proses saturation.
Gambar 3.4. Proses Saturation Citra
3.3.2. Grayscale
Proses grayscale merupakan proses merubah warna red, green, blue (RGB) menjadi
graylevel. Proses ini digunakan untuk mempermudah sistem mengetahui nilai citra
serta untuk mempermudah ke proses selanjutnya yaitu thresholding. Proses grayscale
pada penelitian ini dapat dilihat pada Gambar 3.5.
Gambar 3.5. Proses Grayscale Citra
Universitas Sumatera Utara
28
3.3.3. Thresholding
Setelah citra melalui proses grayscale maka selanjutnya citra akan memasuki proses
thresholding yang akan merubah warna citra menjadi hitam dan putih dengan kualitas
citra lebih tajam. Gambar 3.6 merupakan contoh thresholding.
Gambar 3.6. Proses Thresholding Citra
3.4. Image Segmentation
Image Segmentation yaitu proses yang dilakukan untuk memotong citra menjadi
beberapa bagian sesuai dengan jumlah lokasi parkir yang ada untuk mempermudah
sistem melakukan deteksi lokasi parkir kosong. Citra akan diproses sesuai dengan
setiap potongan yang ada. Dalam penelitian ini terdapat lima potongan citra yang
menandakan lokasi parkir dapat menampung lima mobil pada setiap potongan. Setiap
slot parkir disimbolkan dengan A1, A2, A3, A4, dan A5 untuk mempermudah sistem
mengenali slot parkir yang ada. Berikut merupakan contoh citra pada saat proses
cropping yang dapat dilihat di Gambar 3.7 dan Gambar 3.8 serta untuk ukuran setiap
slot parkir dapat dilihat pada Tabel 3.1.
Universitas Sumatera Utara
29
Gambar 3.7. Proses Cropping pada Citra Utuh
A1
A2
A3
A4
A5
Gambar 3.8. Hasil Proses Cropping
Setiap slot parkir yang ada memiliki ukuran yang berbeda, ukuran dari setiap slot
dapat dilihat pada Tabel 3.1.
Tabel 3.1. Daftar Ukuran Slot Citra Parkir
Parkir
Ukuran
A1
1000 x 1200 piksel
A2
950
A3
1000 x 1200 piksel
A4
950
A5
1184 x 1200 piksel
x 1200 piksel
x 1200 piksel
3.5. Feature Extraction
Tahapan selanjutnya setelah dari image segmentation adalah feature extraction yaitu
mengekstraksi fitur atau ciri dari hasil citra. Pada penelitian ini penulis menggunakan
Universitas Sumatera Utara
30
metode invariant moment. Untuk mendapatkan nilai dari metode ini adalah dengan
menghitung nilai moment. Kemudian moment akan dihitung dengan menggunakan
persamaan 2.13.
−
−
=
=
= ∑∑
: moment
Dimana :
� ,
: tinggi citra
: lebar citra
�
��
: baris dan kolom
,
: nilai intensitas citra
Nilai moment dari Gambar 3.8 dapat dilihat pada Tabel 3.2 :
Tabel 3.2. Hasil Perhitungan Matriks Citra
A1
2.9418585E7
1.3371697395E10
1.668511614E10
A2
1.55647665E8
1.03130162805E11
9.282440946E10
A3
2.7319935E7
1.420585977E10
1.2822189225E10
A4
1.4911125E7
7.444228515E9
7.695790605E9
A5
1.31097285E8
7.1011329765E10
7.781752992E10
Setelah nilai dari
,
dan
di dapat, maka proses selanjutnya adalah
menghitung nilai moment dengan persamaan 2.14 dan 2.15. Adapun nilai yang
diperoleh adalah :
Tabel 3.3. Hasil Perhitungan Nilai Moment Pusat
x
y
A1
454.5323099326497
567.1624294642315
A2
662.587278806913
596.3752135953983
A3
519.9814629866432
469.334543621718
A4
499.2398973920479
516.1106626763574
A5
541.6689580184669
593.5861289575905
Universitas Sumatera Utara
31
Setelah proses diatas akan menghasilkan nilai :
Tabel 3.4. Hasil Perhitungan Nilai Moment Dimensi Citra A1
A1
6.609783041662693E11
4.0269888285953677E12
1.7913834505047625E12
5.71196056599126E14
-1.952608366576501E14
-1.1193482159526355E13
6.569283401753576E13
Tabel 3.5. Hasil Perhitungan Nilai Moment Dimensi Citra A2
A2
-9.745965102300828E11
1.5671998280964477E13
6.936095459526075E12
-6.795551958347438E14
-3.8137840722133075E14
1.149461022602706E14
1.2388877495609138E14
Tabel 3.6. Hasil Perhitungan Nilai Moment Dimensi Citra A3
A3
9.482872770279218E11
2.7660874526722935E12
2.957178749878358E12
2.0987088938040075E14
-2.3686026537665184E14
-5.3543984437938586E13
3.458000953279615E14
Universitas Sumatera Utara
32
Tabel 3.7. Hasil Perhitungan Nilai Moment Dimensi Citra A4
A4
6.689173656841145E11
1.9388523672634185E12
8.366309919799713E11
7.877438878577652E13
-6.872414831828579E13
-6.9683934912844695E13
5.749839684628561E13
Tabel 3.8. Hasil Perhitungan Nilai Moment Dimensi Citra A5
A5
3.406731428937708E12
9.272410261570639E12
8.330726238555998E12
-2.1096241701392447E14
-1.3229538295243995E14
3.712175568325605E12
4.442280939476041E13
Setelah nilai dari
,
,
,
,
,
,
diperoleh untuk setiap citra,
kemudian proses selanjutnya adalah normalisasi nilai moment dengan persamaan 2.16
dan 2.17. Dari persamaan tersebut maka akan diperoleh nilai :
Tabel 3.9. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A1
A1
7.637366727537267E-4
0.004653040848363755
0.002069879188909717
1.2168323607523841E-4
-4.159687415338112E-5
-2.3845737665474267E-6
1.3994698559022734E-5
Universitas Sumatera Utara
33
Tabel 3.10. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A2
A2
-4.022903659819473E-5
6.469029857934988E-4
2.8630559945671543E-4
-2.248372230811433E-6
-1.2618263026805836E-6
3.8030998209724874E-7
4.0989765515421204E-7
Tabel 3.11. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A3
A3
0.0012705173506127373
0.003706009968779597
0.003962034503256454
5.379637950324946E-5
-6.071458868384013E-5
-1.3724974032575033E-5
8.86392258375788E-5
Tabel 3.12. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A4
A4
0.003008511313097414
0.008720149274899025
0.0037628172527490863
9.175062152184207E-5
-8.004483968653141E-5
-8.116272860876209E-5
6.696990898276287E-5
Universitas Sumatera Utara
34
Tabel 3.13. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A5
A5
1.9822138298927788E-4
5.395171365961269E-4
4.8472505413394275E-4
-1.072064335431809E-6
-6.722958705779467E-7
1.886445505315058E-8
2.2574689039832305E-7
Tahap terakhir untuk memperoleh nilai dari invariant moment pada setiap citra
dilakukan dengan menghitung nilai �. Setelah nilai dari � diperoleh, maka nilai
tersebut akan di definisikan |log |�| |. Nilai tujuh invariant moment dari citra adalah
sebagai berikut:
Tabel 3.14. Hasil Perhitungan Nilai Invariant Moment Citra A1
A1
�
5.002232689471448
�
18.13266886354278
�
36.72727032454642
�
35.854622954395154
�
11.042582927921714
�
18.015612319433743
�
24.422749453801575
Tabel 3.15. Hasil Perhitungan Nilai Invariant Moment Citra A2
A2
�
6.976881818062688
�
24.72386840615959
�
52.73602036150179
�
51.72862424923545
�
15.673894041762324
�
26.192267381488023
�
34.83913194832088
Universitas Sumatera Utara
35
Tabel 3.16. Hasil Perhitungan Nilai Invariant Moment Citra A3
A3
�
4.870693654123845
�
15.701465884311244
�
38.15436690750145
�
38.435439585608115
�
10.561538746729758
�
19.85385587673579
�
25.9307790945062
Tabel 3.17. Hasil Perhitungan Nilai Invariant Moment Citra A4
A4
�
4.383390241751721
�
16.214043066839356
�
38.35860888461188
�
42.2072163165371
�
8.683286820697495
�
21.985371803270144
�
26.959258290022476
Tabel 3.18. Hasil Perhitungan Nilai Invariant Moment Citra A5
A5
�
6.883802265945105
�
26.04560607923169
�
54.92765019387895
�
54.427840178006015
�
14.274899302429718
�
27.362035758027194
�
35.399751998519065
Universitas Sumatera Utara
36
3.6. Identification
3.6.1. Probabilistic Neural Network
Tahap selanjutnya setelah didapatkan nilai dari feature extraction adalah memasukkan
nilai moment tersebut sebagai nilai input pada proses Neural Network. Pada proses
PNN ini, nilai invariant moment dari data testing akan akan dibandingkan dengan nilai
invariant moment dari data training yang sudah terlebih dahulu disimpan di dalam
database sehingga memudahkan sistem untuk mengenali citra kosong atau terisi.
Hasil dari proses tersebut akan mendapatkan nilai fA(X) yang berarti penjumlahan
sederhana dari distribusi Gaussian multivariasi yang kecil yang terpusat pada setiap
sampel pelatihan. Adapun hasil dari proses Probabilistic Neural Network
menggunakan persamaan 2.26 dijelaskan pada Tabel 3.19.
Tabel 3.19. Hasil Perhitungan PNN
Dimana :
fA1(X)
fA2(X)
A1
0.08401280201949875
0.02008791568259274
A2
0.005238101117113212 0.06519267004372732
A3
0.2080114173113885
0.004332461049073639
A4
0.07514096345071161
7.535308523203227E-4
A5
0.0449541439713515
0.1895348189567271
fA1(X)
: hasil perhitungan PNN citra terisi
fA2(X)
: hasil perhitungan PNN citra kosong
Maka dari hasil tersebut, akan dibandingkan nilai antara fA1(X) dan fA2(X). Jika nilai
fA1(X) lebih besar dari fA2(X) maka citra akan terdeteksi terisi mobil , jika nilai
fA1(X) lebih kecil dari fA2(X) maka citra akan terdeteksi kosong.
3.7. Perancangan Sistem
Perancangan antarmuka sistem yang tepat diperlukan agar perangkat lunak yang
dikembangkan dapat dengan mudah digunakan oleh pengguna, sehingga tujuan dari
pengembangan perangkat lunak tercapai. Berikut ini adalah rancangan sistem dari
sistem Penentuan Lokasi Parkir Kosong.
Universitas Sumatera Utara
37
3.7.1. Tampilan Utama
Gambar 3.9. Rancangan Sistem Tampilan Utama
Gambar 3.9 menyatakan bahwa tampilan utama dari sistem Penentuan Lokasi
Parkir Kosong berjalan secara real-time. Terdapat beberapa info yang berguna untuk
Universitas Sumatera Utara
38
pengguna agar dapat mengetahui lokasi yang kosong dan yang sedang terisi mobil. Di
setiap lokasi parkir yang ada ditandai dengan kode A ataupun B untuk mempermudah
pengunjung yang datang. Berikut merupakan penjelasan dari Gambar 3.9 :
1.
Tombol start digunakan untuk memulai sistem
2.
Menampilkan hasil thresholding citra dari setiap slot parkir yang ada
3.
Kolom untuk input huruf sebagai informasi yang akan ditampilkan
4.
Text untuk menandakan slot parkir A1, A2, A3, A4, A5
5.
Merupakan tampilan utama yang menampilkan lokasi parkir Rumah Sakit
Universitas Sumatera Utara secara real-time. Lokasi tersebut terletak di
depan Rumah Sakit dan dalam penelitian ini tersedia 5 slot parkir.
6.
Lokasi tersedia berfungsi untuk menginfokan tentang lokasi parkir yang masih
tersedia agar pengunjung dapat parkir di tempat tersebut.
7.
Lokasi tidak tersedia berfungsi untuk menginfokan tentang lokasi parkir yang
sudah terisi mobil dan pengunjung tidak dapat parkir di lokasi tersebut.
8.
Kolom untuk menampilkan lokasi mana saja yang tersedia/kosong.
9.
Kolom untuk menampilkan lokasi mana saja yang sudah terisi mobil.
10.
Tombol cetak tiket berfungsi untuk mencetak tiket parkir bagi pengunjung
yang akan memarkirkan kendaraan nya di Rumah Sakit Universitas Sumatera
Utara, dengan menekan tombol ini akan muncul tab baru untuk menampilkan
form tiket.
3.7.2. Tiket Parkir
Gambar 3.10. Rancangan Sistem Tiket Parkir
Universitas Sumatera Utara
39
Gambar 3.10 menyatakan bahwa setiap pengunjung yang akan masuk ke Rumah
Sakit Universitas Sumatera Utara akan mendapat tiket parkir seperti gambar di atas.
Terdapat 5 buah informasi yang ada di dalam tiket parkir ini, berikut ini
penjelasannya:
1.
Merupakan header dari tiket parkir yang berisi info nama rumah sakit dan
alamat rumah sakit.
2.
Akan menampilkan kode unik dari sistem untuk penanda setiap kendaraan
yang masuk.
3.
Tanggal masuk akan menampilkan sesuai dengan tanggal pengunjung masuk
ke Rumah Sakit Universitas Sumatera Utara.
4.
Kolom ini akan menampilkan waktu yang sesuai dengan pengunjung
memasuki lokasi parkir.
5.
Menampilkan lokasi parkir mana saja yang tersedia dengan berupa kode
disetiap lokasi parkir agar memudahkan pengunjung langsung memarkirkan
kendaraannya di lokasi tersebut.
6.
Total lokasi parkir yang tersedia akan ditampilkan di kolom ini.
3.7.3. Pengaturan Data Latih
Gambar 3.11. Rancangan Pengaturan Data Latih
Gambar 3.11 menyatakan citra di input ke dalam database untuk mempermudah
sistem dalam menentukan parkir kosong atau terisi mobil. Berikut merupakan
penjelasan dari Gambar 3.11 :
Universitas Sumatera Utara
40
1.
Merupakan tombol untuk membuka file yang akan dijadikan sebagai data latih
parkir kosong ataupun parkir terisi.
2.
Tombol ini berfungsi untuk menetapkan citra sebagai data latih parkir kosong.
3.
Berfungsi untuk menghapus semua data latih parkir kosong yang telah di
input.
4.
Merupakan tombol untuk menetapkan citra sebagai data latih parkir penuh.
5.
Berfungsi untuk menghapus semua data latih parkir penuh yang telah di input.
3.7.4. Flowchart pengunjung
Gambar 3.12. Flowchart Pengunjung
Adapun penjelasan dari Gambar 3.12 adalah ketika pengunjung Rumah Sakit
Universitas Sumatera Utara terdapat tombol tiket yang harus ditekan oleh pengunjung.
Setelah tombol tersebut ditekan maka tiket akan tercetak, kemudian pengunjung dapat
melihat slot parkir mana yang masih kosong. Adapun slot parkir yang tersedia dalam
penelitian ini adalah 5 slot parkir yang dibedakan menjadi A1, A2, A3, A4 dan A5
pada setiap slot nya. Setelah diketahui lokasi yang kosong pengunjung dapat masuk ke
lokasi parkir dan memarkirkan kendaraannya sesuai dengan slot parkir yang tersedia.
Kemudian tahap selanjutnya pengunjung dapat keluar dari Rumah Sakit.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas hasil yang didapatkan dari penelitian yang sudah dilakukan, yang
terdiri dari tahap pre-processing, training dan testing dari implementasi algoritma
Probabilistic Neural Network dalam melakukan identifikasi lokasi parkir kosong yang
telah dibahas pada Bab 3.
4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras yang digunakan dalam penelitian ini adalah sebagai
berikut :
1. Prosesor Intel® Core™ i5-3210M CPU @ 2.50 GHz.
2. Kapasitas harddisk sebesar 500 GB.
3. Memori RAM yang digunakan 4 GB
Spesifikasi perangkat lunak yang digunakan dalam penelitian ini adalah sebagai
berikut :
1. Sistem operasi yang digunakan adalah Windows 7 Ultimate 64-bit
2. Netbeans IDE 8.0.2
3. Aplikasi digiCam Control
4. JDK 1.8.0
5. Sqlite-jdbc-3.8.11
4.2. Implementasi Perancangan Antarmuka
Adapun implementasi perancangan tampilan antarmuka sistem akan dijelaskan pada
bagian ini.
Universitas Sumatera Utara
42
4.2.1. Halaman Utama
Pada Gambar 4.1 menampilkan halaman utama dari sistem yang telah dibuat, halaman
ini muncul ketika pertama kali sistem dijalankan. Di halaman ini terdapat 2 tombol
utama, yaitu tombol start untuk memulai proses deteksi lokasi parkir dan tombol cetak
tiket untuk menampilkan form tiket sebagai informasi ke pengunjung Rumah Sakit.
Gambar 4.1. Halaman Utama
4.2.2. Tampilan hasil akhir
Gambar 4.2 menampilkan tampilan hasil akhir ketika tombol start ditekan. Disini
terlihat citra lokasi parkir secara real-time yang diambil dari Rumah Sakit Universitas
Sumatera Utara. Pengguna dapat memasukkan huruf yang diinginkan sebagai
informasi lokasi parkir di kolom set huruf. Terdapat kolom lokasi tersedia dan lokasi
tidak tersedia yang menampilkan kode dari sistem. Setiap input citra baru, maka kode
tersebut akan berubah sesuai dengan data testing, apakah slot tersebut kosong atau
terisi.
Universitas Sumatera Utara
43
Gambar 4.2. Tampilan Hasil Akhir
4.2.3. Form tiket
Halaman ini menampilkan form tiket untuk pengunjung yang berisi kode, tanggal
masuk, waktu, parkir tersedia dan total tersedia. Dengan adanya informasi tentang slot
parkir tersedia maka akan mempermudah pengunjung untuk langsung memarkirkan
kendaraannya di lokasi tersebut.
Gambar 4.3. Form Tiket
4.2.4. Halaman Pengaturan Data Latih
Pada halaman yang ditunjukkan Gambar 4.4 menampilkan data form untuk input citra
sebagai data latih sistem. Data yang akan di input terdiri dari dua jenis yaitu data
Universitas Sumatera Utara
44
parkir kosong dan data parkir penuh yang dapat mempermudah sistem untuk
menentukan lokasi tersebut terisi atau kosong. Pada halaman ini juga terdapat tombol
reset untuk menghapus semua data yang telah di input ke sistem. Adapun citra yang
telah di input akan disimpan ke dalam database sehingga akan mempermudah sistem
ketika melakukan testing dataset.
Gambar 4.4. Halaman Input Citra Data Latih
4.3. Hasil Pre-processing
Bagian ini dijelaskan hasil yang telah diperoleh dari tahap pre-processing. Hasil yang
telah didapat terdiri dari beberapa tahapan, yaitu saturation (mengubah citra RGB
menjadi lebih terang dan tajam), Grayscale (merubah citra RGB menjadi citra
keabuan) dan thresholding (merubah citra keabuan menjadi citra hitam putih. Hasil
dari tahap pre-processing dapat dilihat pada Tabel 4.1.
Tabel 4.1. Contoh Hasil Pre-processing
No
Citra Awal
Saturation
Grayscale
Threshold
1
2
Universitas Sumatera Utara
45
4.4. Hasil Cropping
Setelah memalui proses pre-processing, tahap selanjutnya adalah proses cropping
untuk memisahkan citra menjadi 5 bagian yaitu A1, A2, A3, A4 dan A5. Hasil dari
proses cropping dapat dilihat pada tabel 4.2.
Tabel 4.2. Contoh Hasil Proses Cropping
No
Citra Awal
A1
A2
A3
A4
A5
1
2
4.5. Hasil Feature Extraction
Setelah melalui proses cropping, tahap selanjutnya adalah feature extraction untuk
mendapatkan nilai invariant moment yang dapat digunakan untuk mendapatkan nilai
dari Probabilistic Neural Network (PNN). Untuk mendapatkan nilai moment pada
penelitian ini menggunakan persamaan 2.13.
Tabel 4.3. Contoh Hasil Feature Extraction Data Uji
No
1
2
Data Latih
Citra 1
Citra 2
A1
A2
A3
A4
A5
4.098491-
6.278307-
7.042961-
6.739016-
6.733052-
9.943201-
14.03941-
16.08176-
15.40898-
14.71975-
13.41766-
20.89642-
2.898760-
22.96087-
22.70909-
13.56476-
21.55843-
23.54267-
24.08324-
22.49110-
28.10616-
46.06057-
48.07092-
51.01975-
45.52590-
18.98785-
29.90284-
31.75497-
32.85426-
30.22043-
27.15183-
43.46281-
48.18759-
48.50312-
47.49174-
4.150035-
7.020285-
4.302159-
7.135532-
6.925294-
10.11415-
15.60148-
13.31920-
16.23777-
14.70647-
Universitas Sumatera Utara
46
No
Data Latih
A1
A2
A3
A4
A5
14.91458-
25.98118-
13.88963-
27.38016-
26.59883-
15.39846-
27.79769-
14.81558-
30.49893-
27.18049-
31.95044-
54.06376-
29.92412-
58.14706-
54.70863-
21.97107-
36.96119-
22.21188-
39.90304-
35.72072-
29.89001-
54.87469-
28.80134-
60.41348-
53.67035-
Tabel 4.4. Contoh Hasil Feature Extraction Data Latih
No
Data
A1
A2
A3
A4
A5
Ket
Latih
1
Citra 1
6.017752- 6.625476- 6.808959- 7.003660- 6.467159- Penuh
12.44502- 15.62459- 14.90075- 15.08637- 13.3657921.23666- 22.41561- 25.50132- 24.63577- 23.2968023.03004- 22.16944- 26.38897- 26.38917- 24.8784845.35611- 43.85158- 50.14947- 50.59070- 48.4322730.23135- 30.49809- 35.66023- 34.09983- 32.0895745.09302- 44.97023- 51.18185- 52.62616- 50.07560-
2
Citra 2
4.531955- 4.438876- 4.463961- 3.964286- 2.059891- Kosong
9.722485- 9.411402- 13.10731- 8.262326- 7.34332315.96854- 15.17791- 17.45757- 16.98569- 8.04932116.61438- 14.49364- 17.61287- 14.23330- 8.25335231.35772- 30.85885- 38.34294- 28.92678- 15.5484124.32292- 19.82377- 24.76015- 19.93113- 11.9667134.13650- 29.96216- 33.45096- 30.15876- 17.47633-
4.6. Hasil Probabilistic Neural Network (PNN)
Pada penelitian ini, citra yang digunakan sebanyak 20 citra input dengan jumlah total
100 data uji. Citra tersebut di ambil dari halaman parkir Rumah Sakit Universitas
Sumatera Utara. Proses ini dimulai dengan input citra yang kemudian dilanjutkan
proses pre-processing, yaitu proses pembentukan citra saturation, citra keabuan
(grayscaling) dan thresholding. Nilai dari thresholding akan dijadikan acuan untuk
mendapatkan ciri citra proses feature extraction menggunakan invariant moment yang
Universitas Sumatera Utara
47
akan menghasilkan 7 nilai. Setelah nilai dari invariant moment didapat, akan
dilakukan proses selanjutnya menggunakan algoritma Probabilistic Neural Network
untuk mendapatkan hasil yang lebih akurat. Hasil dari pengujian ini dapat dilihat pada
Tabel 4.5.
Tabel 4.5. Hasil Deteksi Lokasi Parkir Menggunakan Algoritma PNN
No
1
2
Citra
Citra 1
Citra 2
Cropping
fA1(X)
fA2(X)
Hasil
0.926331639690496
1.2343760328414248
Benar
4.976616402960417
0.7629464782582842
Benar
5.208034812772013
0.49019340817253765
Benar
6.167030725944883
0.303474738207344
Benar
4.697809560798862
0.33618741422252224
Benar
1.4218903890095156
1.6121673835808945
Benar
4.685449454216543
0.1588510446521784
Benar
0.51357857394834
1.4960916609584347
Benar
Universitas Sumatera Utara
48
No
Citra
….
…….
19
Citra 19
20
Cropping
…………
fA1(X)
fA2(X)
Hasil
3.0696034739316334
0.09565226364496873
Benar
4.039088705028239
0.18366371256859812
Benar
……………………
……………….
………..
5.126459597170545
0.5846024747078946
Benar
0.4076387301763532
1.6008599016254845
Benar
5.499073918738006
0.5074728466816005
Benar
5.113764606519538
0.5276056890456264
Benar
4.8519569913369995
0.1120033629225248
Benar
0.9402151459336704
1.3637315292919372
Salah
0.2202376875208291
1.3142567532773377
Benar
Citra 20
Universitas Sumatera Utara
49
No
Citra
Dimana :
Cropping
fA1(X)
fA2(X)
Hasil
0.734514022314506
1.506906181822697
Benar
0.1570968231145728
1.2938479988939489
Benar
3.121517132509406
0.1796248975008236
Benar
fA1(X)
: hasil perhitungan PNN citra terisi
fA2(X)
: hasil perhitungan PNN citra kosong
Maka dari hasil tersebut, akan dibandingkan nilai antara fA1(X) dan fA2(X). Jika nilai
fA1(X) lebih besar dari fA2(X) maka citra akan terdeteksi terisi mobil , jika nilai
fA1(X) lebih kecil dari fA2(X) maka citra akan terdeteksi kosong.
Pada penelitian ini, nilai Gaussian yang digunakan adalah 0.9 karena merupakan
nilai yang paling akurat berdasarkan hasil pengujian. Hasil dari pengujian sistem yang
telah dilakukan diperoleh nilai akurasi dengan menghitung jumlah data uji yang benar
dibagi dengan jumlah keseluruhan data uji dikali dengan 100%. Maka diperoleh
akurasi sebesar 94%.
Persentase Akurasi =
Jumlah data uji benar
× 100%
Jumlah keseluruhan data uji
=
94
× 100%
100
= 94 %
4.7. Analisis Precision dan Recall
Pada pattern recognition dan information retrieval, precision dan recall adalah dua
perhitungan yang banyak digunakan untuk mengukur kerja dari sistem yang
digunakan. Precision merupakan tingkat ketepatan antara informasi yang diminta oleh
pengguna dengan jawaban yang diberikan sistem. Recall adalah tingkat keberhasilan
Universitas Sumatera Utara
50
sistem dalam menemukan kembali sebuah informasi. Precicion dan recall pada
penelitian ini digunakan untuk mengukur kinerja algoritma Probabilistic Neural
Network (PNN) yang berfungsi untuk menentukan lokasi parkir kosong atau terisi
mobil. Untuk menguji sistem digunakan 100 data yang merupakan citra dari lokasi
parkir yang diambil dari Rumah Sakit Universitas Sumatera Utara.
Tabel 4.6. Analisis Hasil Penelusuran
No
Relevan
(a)
1
94
Tidak
Relevan
(b)
6
Total
(a+b)
100
Tidak
ditemu
kan (c)
6
Total
(a+c)
100
Recall
[a/(a+c)]
x100%
94 %
Precision
[a/(a+b)]
x100%
94 %
Keterangan:
a : Hits (dokumen yang relevan)
b : Noise (dokumen yang tidak relevan)
c : Missed (dokumen relevan yang tidak ditemukan)
Berdasarkan Tabel 4.6 nilai recall adalah 94% dan nilai precision adalah 94%.
Efektifitas dibedakan menjadi dua bagian, yakni efektif jika nilai di atas 50% dan
tidak efektif jika nilai dibawah 50%. Kemudian kondisi ideal dari keefektifan suatu
sistem klasifikasi teks adalah apabila rasio recall dan precision sama besarnya (1:1)
(Lee Pao 1989). Dengan demikian dapat disimpulkan bahwa sistem ini efektif karena
nilai dari recall dan precision 1:1.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
Pada bab ini dijelaskan kesimpulan yang didapat dari hasil implementasi algoritma
Probabilistic Neural Network (PNN) pada proses deteksi lokasi parkir kosong di
Rumah Sakit Universitas Sumatera Utara, beserta saran-saran yang dapat digunakan
sebagai bahan pertimbangan untuk pengembangan ataupun riset selanjutnya.
5.1. Kesimpulan
Berdasarkan hasil penelitian yang dilakukan, maka dapat diambil kesimpulan bahwa
algoritma Probabilistic Neural Network (PNN) dapat mendeteksi lokasi parkir kosong
atau terisi mobil secara real-time sesuai dengan target yang telah ditentukan. Hal
tersebut didukung oleh tingkat akurasi yang mencapai 94%. Adapun hal yang
mempengaruhi keberhasilan penelitian ini adalah intensitas cahaya, dengan adanya
tingkat intensitas cahaya matahari yang cukup sangat membantu untuk mempermudah
sistem mendeteksi lokasi parkir tersebut kosong atau sedang terisi mobil. Sedangkan
jika penelitian dilakukan pada malam hari, sistem ini akan mengandalkan cahaya
lampu yang ada. Dengan intensitas cahaya yang terlalu terang atau terlalu rendah juga
akan mempengaruhi sistem untuk melakukan proses deteksi. Kemudian tingkat
kerapatan citra atau piksel juga akan mempengaruhi keberhasilan sistem. Dari
penelitian ini juga dapat disimpulkan bahwa warna mobil mempengaruhi tingkat
keberhasilan, semakin gelap warna mobil yang dideteksi maka akan semakin besar
resiko kegagalan dari sistem.
5.2. Saran
Berdasarkan penelitian yang telah dilakukan, maka terdapat beberapa saran sebagai
berikut:
1. Untuk penelitian selanjutnya diharapkan sistem dapat mendeteksi lebih dari 5
slot parkir.
Universitas Sumatera Utara
52
2. Dapat menggunakan ekstraksi fitur berdasarkan bentuk untuk mendapatkan
hasil yang maksimal.
3. Menggunakan kamera Closed Circuit Television (CCTV) Arecont Vision
dengan tipe AV10005.
Universitas Sumatera Utara
ANALISIS DAN PERANCANGAN
Bab ini membahas tentang data yang digunakan, penerapan algoritma dan analisis
perancangan sistem terhadap implementasi algoritma Probabilistic Neural Network
dalam melakukan proses penentuan lokasi parkir kosong. Tahapan yang dibahas pada
bab ini ada dua, yaitu tahap analis dan tahap perancangan sistem. Adapun dalam tahap
analis akan membahas mengenai analisis terhadap citra dan metode yang digunakan,
sedangkan pada tahap perancangan sistem akan membahas perancangan tampilan
antarmuka.
3.1. Arsitektur Umum
Metode yang diajukan penulis untuk menentukan lokasi parkir kosong terdiri dari
beberapa proses. Adapan proses yang akan dilakukan adalah sebagai berikut: Citra
akan di proses dari kamera yang diambil dari kamera DSLR yang kemudian akan
memasuki proses pre-processing image. Dalam proses ini citra akan mengalami
proses saturation, grayscale dan thresholding yang akan menghasilkan citra hitam dan
putih dengan kontras yang lebih tajam untuk mempermudah sistem melakukan proses
selanjutnya. Kemudian akan dilakukan proses cropping dimana setiap lokasi parkir
mobil akan di potong sesuai dengan jumlah yang diinginkan. Proses selanjutnya
adalah penerapan metode Probabilistic Neural Network (PNN) untuk mengenali
lokasi mana sajakah yang sedang kosong atau terisi mobil dan hasil akhir akan
menjadi lebih akurat dengan penerapan algoritma ini. Adapun arsitektur umum yang
mendeskripsikan setiap metodologi pada penelitian ini ditunjukkan pada Gambar 3.1.
Universitas Sumatera Utara
24
Gambar 3.1. Arsitektur Umum
3.2. Data yang Digunakan
Data yang digunakan untuk membangun sistem Penentuan Lokasi Parkir Kosong
menggunakan Algoritma Probabilistic Neural Network (PNN) di ambil dari lokasi
parkir Rumah Sakit Universitas Sumatera Utara. Adapun lokasi parkir yang digunakan
untuk pengambilan data adalah lokasi parkir yang berada di luar gedung (outdoor)
Universitas Sumatera Utara
25
dengan intensitas cahaya yang memadai. Pada proses training dibutuhkan data citra
untuk melatih sistem mengenali lokasi parkir yang kosong. Kemudian pada saat
proses testing data yang digunakan adalah sebuah citra yang akan di identifikasi oleh
sistem, dengan demikian akan diketahui lokasi parkir yang kosong atau terisi mobil.
Citra diambil dengan menggunakan kamera Digital Single Lens Reflex (DSLR) yang
memiliki format .jpg.
3.2.1. Capturing Image
Citra lokasi parkir yang digunakan untuk input adalah citra yang dapat menampung 5
jumlah mobil. Adapun input yang akan di proses pada tahap ini merupakan citra yang
diambil dari kamera DSLR dan sistem secara otomatis menangkap citra setiap sekitar
30 detik sekali untuk diproses ke tahap selanjutnya.
3.2.2. Data training
Data training pada penelitian ini dibagi menjadi 2, yaitu data training parkir penuh
dengan kondisi terisi mobil pada setiap slot parkir yang ada dan data training parkir
kosong dengan kondisi tidak terisi mobil pada setiap slot parkir. Data tersebut akan
disimpan ke dalam database untuk mempermudah sistem. Adapun jumlah data
training parkir penuh adalah 40 citra yang setiap citra dibagi menjadi 5 data training,
jadi jumlah nya adalah 200 data training. Sedangkan untuk data training parkir kosong
terdiri dari 20 citra dengan jumlah 100 data training. Contoh data training yang
digunakan dapat dilihat pada Gambar 3.2.
(A)
Universitas Sumatera Utara
26
(B)
Gambar 3.2. Data Training (A) Data Training Terisi Penuh (B) Data Training
Kosong
3.2.3. Data testing
Data testing merupakan data yang digunakan untuk menguji sistem, dengan adanya
data testing sistem dapat mengenali kondisi lokasi terisi atau penuh dengan
membandingkan dengan data training. Data yang digunakan diambil dari kamera
DSLR dengan posisi pengambilan tertentu yang akan menghasilkan citra yang dapat
di proses ke tahap selanjutnya. Contoh data testing dapat dilihat pada Gambar 3.3.
Gambar 3.3. Data Testing
3.3. Pre-processing
Pre-processing image adalah tahapan awal dalam penelitian ini. Tahap ini bertujuan
untuk memproses citra yang masuk agar diubah menjadi citra yang siap untuk
Universitas Sumatera Utara
27
diproses lebih lanjut. Adapun tahapan dalam pre-processing image terdiri dari proses
saturation, grayscale dan thresholding.
3.3.1. Saturation
Pada proses saturation, citra akan diubah menjadi lebih terang dan dipertajam untuk
mendapatkan hasil yang maksimal. Setelah melalui tahap ini warna citra akan di
dominasi oleh warna orange dan citra lebih terlihat lebih jelas. Gambar 3.4 akan
menunjukan proses saturation.
Gambar 3.4. Proses Saturation Citra
3.3.2. Grayscale
Proses grayscale merupakan proses merubah warna red, green, blue (RGB) menjadi
graylevel. Proses ini digunakan untuk mempermudah sistem mengetahui nilai citra
serta untuk mempermudah ke proses selanjutnya yaitu thresholding. Proses grayscale
pada penelitian ini dapat dilihat pada Gambar 3.5.
Gambar 3.5. Proses Grayscale Citra
Universitas Sumatera Utara
28
3.3.3. Thresholding
Setelah citra melalui proses grayscale maka selanjutnya citra akan memasuki proses
thresholding yang akan merubah warna citra menjadi hitam dan putih dengan kualitas
citra lebih tajam. Gambar 3.6 merupakan contoh thresholding.
Gambar 3.6. Proses Thresholding Citra
3.4. Image Segmentation
Image Segmentation yaitu proses yang dilakukan untuk memotong citra menjadi
beberapa bagian sesuai dengan jumlah lokasi parkir yang ada untuk mempermudah
sistem melakukan deteksi lokasi parkir kosong. Citra akan diproses sesuai dengan
setiap potongan yang ada. Dalam penelitian ini terdapat lima potongan citra yang
menandakan lokasi parkir dapat menampung lima mobil pada setiap potongan. Setiap
slot parkir disimbolkan dengan A1, A2, A3, A4, dan A5 untuk mempermudah sistem
mengenali slot parkir yang ada. Berikut merupakan contoh citra pada saat proses
cropping yang dapat dilihat di Gambar 3.7 dan Gambar 3.8 serta untuk ukuran setiap
slot parkir dapat dilihat pada Tabel 3.1.
Universitas Sumatera Utara
29
Gambar 3.7. Proses Cropping pada Citra Utuh
A1
A2
A3
A4
A5
Gambar 3.8. Hasil Proses Cropping
Setiap slot parkir yang ada memiliki ukuran yang berbeda, ukuran dari setiap slot
dapat dilihat pada Tabel 3.1.
Tabel 3.1. Daftar Ukuran Slot Citra Parkir
Parkir
Ukuran
A1
1000 x 1200 piksel
A2
950
A3
1000 x 1200 piksel
A4
950
A5
1184 x 1200 piksel
x 1200 piksel
x 1200 piksel
3.5. Feature Extraction
Tahapan selanjutnya setelah dari image segmentation adalah feature extraction yaitu
mengekstraksi fitur atau ciri dari hasil citra. Pada penelitian ini penulis menggunakan
Universitas Sumatera Utara
30
metode invariant moment. Untuk mendapatkan nilai dari metode ini adalah dengan
menghitung nilai moment. Kemudian moment akan dihitung dengan menggunakan
persamaan 2.13.
−
−
=
=
= ∑∑
: moment
Dimana :
� ,
: tinggi citra
: lebar citra
�
��
: baris dan kolom
,
: nilai intensitas citra
Nilai moment dari Gambar 3.8 dapat dilihat pada Tabel 3.2 :
Tabel 3.2. Hasil Perhitungan Matriks Citra
A1
2.9418585E7
1.3371697395E10
1.668511614E10
A2
1.55647665E8
1.03130162805E11
9.282440946E10
A3
2.7319935E7
1.420585977E10
1.2822189225E10
A4
1.4911125E7
7.444228515E9
7.695790605E9
A5
1.31097285E8
7.1011329765E10
7.781752992E10
Setelah nilai dari
,
dan
di dapat, maka proses selanjutnya adalah
menghitung nilai moment dengan persamaan 2.14 dan 2.15. Adapun nilai yang
diperoleh adalah :
Tabel 3.3. Hasil Perhitungan Nilai Moment Pusat
x
y
A1
454.5323099326497
567.1624294642315
A2
662.587278806913
596.3752135953983
A3
519.9814629866432
469.334543621718
A4
499.2398973920479
516.1106626763574
A5
541.6689580184669
593.5861289575905
Universitas Sumatera Utara
31
Setelah proses diatas akan menghasilkan nilai :
Tabel 3.4. Hasil Perhitungan Nilai Moment Dimensi Citra A1
A1
6.609783041662693E11
4.0269888285953677E12
1.7913834505047625E12
5.71196056599126E14
-1.952608366576501E14
-1.1193482159526355E13
6.569283401753576E13
Tabel 3.5. Hasil Perhitungan Nilai Moment Dimensi Citra A2
A2
-9.745965102300828E11
1.5671998280964477E13
6.936095459526075E12
-6.795551958347438E14
-3.8137840722133075E14
1.149461022602706E14
1.2388877495609138E14
Tabel 3.6. Hasil Perhitungan Nilai Moment Dimensi Citra A3
A3
9.482872770279218E11
2.7660874526722935E12
2.957178749878358E12
2.0987088938040075E14
-2.3686026537665184E14
-5.3543984437938586E13
3.458000953279615E14
Universitas Sumatera Utara
32
Tabel 3.7. Hasil Perhitungan Nilai Moment Dimensi Citra A4
A4
6.689173656841145E11
1.9388523672634185E12
8.366309919799713E11
7.877438878577652E13
-6.872414831828579E13
-6.9683934912844695E13
5.749839684628561E13
Tabel 3.8. Hasil Perhitungan Nilai Moment Dimensi Citra A5
A5
3.406731428937708E12
9.272410261570639E12
8.330726238555998E12
-2.1096241701392447E14
-1.3229538295243995E14
3.712175568325605E12
4.442280939476041E13
Setelah nilai dari
,
,
,
,
,
,
diperoleh untuk setiap citra,
kemudian proses selanjutnya adalah normalisasi nilai moment dengan persamaan 2.16
dan 2.17. Dari persamaan tersebut maka akan diperoleh nilai :
Tabel 3.9. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A1
A1
7.637366727537267E-4
0.004653040848363755
0.002069879188909717
1.2168323607523841E-4
-4.159687415338112E-5
-2.3845737665474267E-6
1.3994698559022734E-5
Universitas Sumatera Utara
33
Tabel 3.10. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A2
A2
-4.022903659819473E-5
6.469029857934988E-4
2.8630559945671543E-4
-2.248372230811433E-6
-1.2618263026805836E-6
3.8030998209724874E-7
4.0989765515421204E-7
Tabel 3.11. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A3
A3
0.0012705173506127373
0.003706009968779597
0.003962034503256454
5.379637950324946E-5
-6.071458868384013E-5
-1.3724974032575033E-5
8.86392258375788E-5
Tabel 3.12. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A4
A4
0.003008511313097414
0.008720149274899025
0.0037628172527490863
9.175062152184207E-5
-8.004483968653141E-5
-8.116272860876209E-5
6.696990898276287E-5
Universitas Sumatera Utara
34
Tabel 3.13. Hasil Perhitungan Nilai Normalisasi Moment Pusat Citra A5
A5
1.9822138298927788E-4
5.395171365961269E-4
4.8472505413394275E-4
-1.072064335431809E-6
-6.722958705779467E-7
1.886445505315058E-8
2.2574689039832305E-7
Tahap terakhir untuk memperoleh nilai dari invariant moment pada setiap citra
dilakukan dengan menghitung nilai �. Setelah nilai dari � diperoleh, maka nilai
tersebut akan di definisikan |log |�| |. Nilai tujuh invariant moment dari citra adalah
sebagai berikut:
Tabel 3.14. Hasil Perhitungan Nilai Invariant Moment Citra A1
A1
�
5.002232689471448
�
18.13266886354278
�
36.72727032454642
�
35.854622954395154
�
11.042582927921714
�
18.015612319433743
�
24.422749453801575
Tabel 3.15. Hasil Perhitungan Nilai Invariant Moment Citra A2
A2
�
6.976881818062688
�
24.72386840615959
�
52.73602036150179
�
51.72862424923545
�
15.673894041762324
�
26.192267381488023
�
34.83913194832088
Universitas Sumatera Utara
35
Tabel 3.16. Hasil Perhitungan Nilai Invariant Moment Citra A3
A3
�
4.870693654123845
�
15.701465884311244
�
38.15436690750145
�
38.435439585608115
�
10.561538746729758
�
19.85385587673579
�
25.9307790945062
Tabel 3.17. Hasil Perhitungan Nilai Invariant Moment Citra A4
A4
�
4.383390241751721
�
16.214043066839356
�
38.35860888461188
�
42.2072163165371
�
8.683286820697495
�
21.985371803270144
�
26.959258290022476
Tabel 3.18. Hasil Perhitungan Nilai Invariant Moment Citra A5
A5
�
6.883802265945105
�
26.04560607923169
�
54.92765019387895
�
54.427840178006015
�
14.274899302429718
�
27.362035758027194
�
35.399751998519065
Universitas Sumatera Utara
36
3.6. Identification
3.6.1. Probabilistic Neural Network
Tahap selanjutnya setelah didapatkan nilai dari feature extraction adalah memasukkan
nilai moment tersebut sebagai nilai input pada proses Neural Network. Pada proses
PNN ini, nilai invariant moment dari data testing akan akan dibandingkan dengan nilai
invariant moment dari data training yang sudah terlebih dahulu disimpan di dalam
database sehingga memudahkan sistem untuk mengenali citra kosong atau terisi.
Hasil dari proses tersebut akan mendapatkan nilai fA(X) yang berarti penjumlahan
sederhana dari distribusi Gaussian multivariasi yang kecil yang terpusat pada setiap
sampel pelatihan. Adapun hasil dari proses Probabilistic Neural Network
menggunakan persamaan 2.26 dijelaskan pada Tabel 3.19.
Tabel 3.19. Hasil Perhitungan PNN
Dimana :
fA1(X)
fA2(X)
A1
0.08401280201949875
0.02008791568259274
A2
0.005238101117113212 0.06519267004372732
A3
0.2080114173113885
0.004332461049073639
A4
0.07514096345071161
7.535308523203227E-4
A5
0.0449541439713515
0.1895348189567271
fA1(X)
: hasil perhitungan PNN citra terisi
fA2(X)
: hasil perhitungan PNN citra kosong
Maka dari hasil tersebut, akan dibandingkan nilai antara fA1(X) dan fA2(X). Jika nilai
fA1(X) lebih besar dari fA2(X) maka citra akan terdeteksi terisi mobil , jika nilai
fA1(X) lebih kecil dari fA2(X) maka citra akan terdeteksi kosong.
3.7. Perancangan Sistem
Perancangan antarmuka sistem yang tepat diperlukan agar perangkat lunak yang
dikembangkan dapat dengan mudah digunakan oleh pengguna, sehingga tujuan dari
pengembangan perangkat lunak tercapai. Berikut ini adalah rancangan sistem dari
sistem Penentuan Lokasi Parkir Kosong.
Universitas Sumatera Utara
37
3.7.1. Tampilan Utama
Gambar 3.9. Rancangan Sistem Tampilan Utama
Gambar 3.9 menyatakan bahwa tampilan utama dari sistem Penentuan Lokasi
Parkir Kosong berjalan secara real-time. Terdapat beberapa info yang berguna untuk
Universitas Sumatera Utara
38
pengguna agar dapat mengetahui lokasi yang kosong dan yang sedang terisi mobil. Di
setiap lokasi parkir yang ada ditandai dengan kode A ataupun B untuk mempermudah
pengunjung yang datang. Berikut merupakan penjelasan dari Gambar 3.9 :
1.
Tombol start digunakan untuk memulai sistem
2.
Menampilkan hasil thresholding citra dari setiap slot parkir yang ada
3.
Kolom untuk input huruf sebagai informasi yang akan ditampilkan
4.
Text untuk menandakan slot parkir A1, A2, A3, A4, A5
5.
Merupakan tampilan utama yang menampilkan lokasi parkir Rumah Sakit
Universitas Sumatera Utara secara real-time. Lokasi tersebut terletak di
depan Rumah Sakit dan dalam penelitian ini tersedia 5 slot parkir.
6.
Lokasi tersedia berfungsi untuk menginfokan tentang lokasi parkir yang masih
tersedia agar pengunjung dapat parkir di tempat tersebut.
7.
Lokasi tidak tersedia berfungsi untuk menginfokan tentang lokasi parkir yang
sudah terisi mobil dan pengunjung tidak dapat parkir di lokasi tersebut.
8.
Kolom untuk menampilkan lokasi mana saja yang tersedia/kosong.
9.
Kolom untuk menampilkan lokasi mana saja yang sudah terisi mobil.
10.
Tombol cetak tiket berfungsi untuk mencetak tiket parkir bagi pengunjung
yang akan memarkirkan kendaraan nya di Rumah Sakit Universitas Sumatera
Utara, dengan menekan tombol ini akan muncul tab baru untuk menampilkan
form tiket.
3.7.2. Tiket Parkir
Gambar 3.10. Rancangan Sistem Tiket Parkir
Universitas Sumatera Utara
39
Gambar 3.10 menyatakan bahwa setiap pengunjung yang akan masuk ke Rumah
Sakit Universitas Sumatera Utara akan mendapat tiket parkir seperti gambar di atas.
Terdapat 5 buah informasi yang ada di dalam tiket parkir ini, berikut ini
penjelasannya:
1.
Merupakan header dari tiket parkir yang berisi info nama rumah sakit dan
alamat rumah sakit.
2.
Akan menampilkan kode unik dari sistem untuk penanda setiap kendaraan
yang masuk.
3.
Tanggal masuk akan menampilkan sesuai dengan tanggal pengunjung masuk
ke Rumah Sakit Universitas Sumatera Utara.
4.
Kolom ini akan menampilkan waktu yang sesuai dengan pengunjung
memasuki lokasi parkir.
5.
Menampilkan lokasi parkir mana saja yang tersedia dengan berupa kode
disetiap lokasi parkir agar memudahkan pengunjung langsung memarkirkan
kendaraannya di lokasi tersebut.
6.
Total lokasi parkir yang tersedia akan ditampilkan di kolom ini.
3.7.3. Pengaturan Data Latih
Gambar 3.11. Rancangan Pengaturan Data Latih
Gambar 3.11 menyatakan citra di input ke dalam database untuk mempermudah
sistem dalam menentukan parkir kosong atau terisi mobil. Berikut merupakan
penjelasan dari Gambar 3.11 :
Universitas Sumatera Utara
40
1.
Merupakan tombol untuk membuka file yang akan dijadikan sebagai data latih
parkir kosong ataupun parkir terisi.
2.
Tombol ini berfungsi untuk menetapkan citra sebagai data latih parkir kosong.
3.
Berfungsi untuk menghapus semua data latih parkir kosong yang telah di
input.
4.
Merupakan tombol untuk menetapkan citra sebagai data latih parkir penuh.
5.
Berfungsi untuk menghapus semua data latih parkir penuh yang telah di input.
3.7.4. Flowchart pengunjung
Gambar 3.12. Flowchart Pengunjung
Adapun penjelasan dari Gambar 3.12 adalah ketika pengunjung Rumah Sakit
Universitas Sumatera Utara terdapat tombol tiket yang harus ditekan oleh pengunjung.
Setelah tombol tersebut ditekan maka tiket akan tercetak, kemudian pengunjung dapat
melihat slot parkir mana yang masih kosong. Adapun slot parkir yang tersedia dalam
penelitian ini adalah 5 slot parkir yang dibedakan menjadi A1, A2, A3, A4 dan A5
pada setiap slot nya. Setelah diketahui lokasi yang kosong pengunjung dapat masuk ke
lokasi parkir dan memarkirkan kendaraannya sesuai dengan slot parkir yang tersedia.
Kemudian tahap selanjutnya pengunjung dapat keluar dari Rumah Sakit.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas hasil yang didapatkan dari penelitian yang sudah dilakukan, yang
terdiri dari tahap pre-processing, training dan testing dari implementasi algoritma
Probabilistic Neural Network dalam melakukan identifikasi lokasi parkir kosong yang
telah dibahas pada Bab 3.
4.1. Spesifikasi Perangkat Keras dan Perangkat Lunak
Spesifikasi perangkat keras yang digunakan dalam penelitian ini adalah sebagai
berikut :
1. Prosesor Intel® Core™ i5-3210M CPU @ 2.50 GHz.
2. Kapasitas harddisk sebesar 500 GB.
3. Memori RAM yang digunakan 4 GB
Spesifikasi perangkat lunak yang digunakan dalam penelitian ini adalah sebagai
berikut :
1. Sistem operasi yang digunakan adalah Windows 7 Ultimate 64-bit
2. Netbeans IDE 8.0.2
3. Aplikasi digiCam Control
4. JDK 1.8.0
5. Sqlite-jdbc-3.8.11
4.2. Implementasi Perancangan Antarmuka
Adapun implementasi perancangan tampilan antarmuka sistem akan dijelaskan pada
bagian ini.
Universitas Sumatera Utara
42
4.2.1. Halaman Utama
Pada Gambar 4.1 menampilkan halaman utama dari sistem yang telah dibuat, halaman
ini muncul ketika pertama kali sistem dijalankan. Di halaman ini terdapat 2 tombol
utama, yaitu tombol start untuk memulai proses deteksi lokasi parkir dan tombol cetak
tiket untuk menampilkan form tiket sebagai informasi ke pengunjung Rumah Sakit.
Gambar 4.1. Halaman Utama
4.2.2. Tampilan hasil akhir
Gambar 4.2 menampilkan tampilan hasil akhir ketika tombol start ditekan. Disini
terlihat citra lokasi parkir secara real-time yang diambil dari Rumah Sakit Universitas
Sumatera Utara. Pengguna dapat memasukkan huruf yang diinginkan sebagai
informasi lokasi parkir di kolom set huruf. Terdapat kolom lokasi tersedia dan lokasi
tidak tersedia yang menampilkan kode dari sistem. Setiap input citra baru, maka kode
tersebut akan berubah sesuai dengan data testing, apakah slot tersebut kosong atau
terisi.
Universitas Sumatera Utara
43
Gambar 4.2. Tampilan Hasil Akhir
4.2.3. Form tiket
Halaman ini menampilkan form tiket untuk pengunjung yang berisi kode, tanggal
masuk, waktu, parkir tersedia dan total tersedia. Dengan adanya informasi tentang slot
parkir tersedia maka akan mempermudah pengunjung untuk langsung memarkirkan
kendaraannya di lokasi tersebut.
Gambar 4.3. Form Tiket
4.2.4. Halaman Pengaturan Data Latih
Pada halaman yang ditunjukkan Gambar 4.4 menampilkan data form untuk input citra
sebagai data latih sistem. Data yang akan di input terdiri dari dua jenis yaitu data
Universitas Sumatera Utara
44
parkir kosong dan data parkir penuh yang dapat mempermudah sistem untuk
menentukan lokasi tersebut terisi atau kosong. Pada halaman ini juga terdapat tombol
reset untuk menghapus semua data yang telah di input ke sistem. Adapun citra yang
telah di input akan disimpan ke dalam database sehingga akan mempermudah sistem
ketika melakukan testing dataset.
Gambar 4.4. Halaman Input Citra Data Latih
4.3. Hasil Pre-processing
Bagian ini dijelaskan hasil yang telah diperoleh dari tahap pre-processing. Hasil yang
telah didapat terdiri dari beberapa tahapan, yaitu saturation (mengubah citra RGB
menjadi lebih terang dan tajam), Grayscale (merubah citra RGB menjadi citra
keabuan) dan thresholding (merubah citra keabuan menjadi citra hitam putih. Hasil
dari tahap pre-processing dapat dilihat pada Tabel 4.1.
Tabel 4.1. Contoh Hasil Pre-processing
No
Citra Awal
Saturation
Grayscale
Threshold
1
2
Universitas Sumatera Utara
45
4.4. Hasil Cropping
Setelah memalui proses pre-processing, tahap selanjutnya adalah proses cropping
untuk memisahkan citra menjadi 5 bagian yaitu A1, A2, A3, A4 dan A5. Hasil dari
proses cropping dapat dilihat pada tabel 4.2.
Tabel 4.2. Contoh Hasil Proses Cropping
No
Citra Awal
A1
A2
A3
A4
A5
1
2
4.5. Hasil Feature Extraction
Setelah melalui proses cropping, tahap selanjutnya adalah feature extraction untuk
mendapatkan nilai invariant moment yang dapat digunakan untuk mendapatkan nilai
dari Probabilistic Neural Network (PNN). Untuk mendapatkan nilai moment pada
penelitian ini menggunakan persamaan 2.13.
Tabel 4.3. Contoh Hasil Feature Extraction Data Uji
No
1
2
Data Latih
Citra 1
Citra 2
A1
A2
A3
A4
A5
4.098491-
6.278307-
7.042961-
6.739016-
6.733052-
9.943201-
14.03941-
16.08176-
15.40898-
14.71975-
13.41766-
20.89642-
2.898760-
22.96087-
22.70909-
13.56476-
21.55843-
23.54267-
24.08324-
22.49110-
28.10616-
46.06057-
48.07092-
51.01975-
45.52590-
18.98785-
29.90284-
31.75497-
32.85426-
30.22043-
27.15183-
43.46281-
48.18759-
48.50312-
47.49174-
4.150035-
7.020285-
4.302159-
7.135532-
6.925294-
10.11415-
15.60148-
13.31920-
16.23777-
14.70647-
Universitas Sumatera Utara
46
No
Data Latih
A1
A2
A3
A4
A5
14.91458-
25.98118-
13.88963-
27.38016-
26.59883-
15.39846-
27.79769-
14.81558-
30.49893-
27.18049-
31.95044-
54.06376-
29.92412-
58.14706-
54.70863-
21.97107-
36.96119-
22.21188-
39.90304-
35.72072-
29.89001-
54.87469-
28.80134-
60.41348-
53.67035-
Tabel 4.4. Contoh Hasil Feature Extraction Data Latih
No
Data
A1
A2
A3
A4
A5
Ket
Latih
1
Citra 1
6.017752- 6.625476- 6.808959- 7.003660- 6.467159- Penuh
12.44502- 15.62459- 14.90075- 15.08637- 13.3657921.23666- 22.41561- 25.50132- 24.63577- 23.2968023.03004- 22.16944- 26.38897- 26.38917- 24.8784845.35611- 43.85158- 50.14947- 50.59070- 48.4322730.23135- 30.49809- 35.66023- 34.09983- 32.0895745.09302- 44.97023- 51.18185- 52.62616- 50.07560-
2
Citra 2
4.531955- 4.438876- 4.463961- 3.964286- 2.059891- Kosong
9.722485- 9.411402- 13.10731- 8.262326- 7.34332315.96854- 15.17791- 17.45757- 16.98569- 8.04932116.61438- 14.49364- 17.61287- 14.23330- 8.25335231.35772- 30.85885- 38.34294- 28.92678- 15.5484124.32292- 19.82377- 24.76015- 19.93113- 11.9667134.13650- 29.96216- 33.45096- 30.15876- 17.47633-
4.6. Hasil Probabilistic Neural Network (PNN)
Pada penelitian ini, citra yang digunakan sebanyak 20 citra input dengan jumlah total
100 data uji. Citra tersebut di ambil dari halaman parkir Rumah Sakit Universitas
Sumatera Utara. Proses ini dimulai dengan input citra yang kemudian dilanjutkan
proses pre-processing, yaitu proses pembentukan citra saturation, citra keabuan
(grayscaling) dan thresholding. Nilai dari thresholding akan dijadikan acuan untuk
mendapatkan ciri citra proses feature extraction menggunakan invariant moment yang
Universitas Sumatera Utara
47
akan menghasilkan 7 nilai. Setelah nilai dari invariant moment didapat, akan
dilakukan proses selanjutnya menggunakan algoritma Probabilistic Neural Network
untuk mendapatkan hasil yang lebih akurat. Hasil dari pengujian ini dapat dilihat pada
Tabel 4.5.
Tabel 4.5. Hasil Deteksi Lokasi Parkir Menggunakan Algoritma PNN
No
1
2
Citra
Citra 1
Citra 2
Cropping
fA1(X)
fA2(X)
Hasil
0.926331639690496
1.2343760328414248
Benar
4.976616402960417
0.7629464782582842
Benar
5.208034812772013
0.49019340817253765
Benar
6.167030725944883
0.303474738207344
Benar
4.697809560798862
0.33618741422252224
Benar
1.4218903890095156
1.6121673835808945
Benar
4.685449454216543
0.1588510446521784
Benar
0.51357857394834
1.4960916609584347
Benar
Universitas Sumatera Utara
48
No
Citra
….
…….
19
Citra 19
20
Cropping
…………
fA1(X)
fA2(X)
Hasil
3.0696034739316334
0.09565226364496873
Benar
4.039088705028239
0.18366371256859812
Benar
……………………
……………….
………..
5.126459597170545
0.5846024747078946
Benar
0.4076387301763532
1.6008599016254845
Benar
5.499073918738006
0.5074728466816005
Benar
5.113764606519538
0.5276056890456264
Benar
4.8519569913369995
0.1120033629225248
Benar
0.9402151459336704
1.3637315292919372
Salah
0.2202376875208291
1.3142567532773377
Benar
Citra 20
Universitas Sumatera Utara
49
No
Citra
Dimana :
Cropping
fA1(X)
fA2(X)
Hasil
0.734514022314506
1.506906181822697
Benar
0.1570968231145728
1.2938479988939489
Benar
3.121517132509406
0.1796248975008236
Benar
fA1(X)
: hasil perhitungan PNN citra terisi
fA2(X)
: hasil perhitungan PNN citra kosong
Maka dari hasil tersebut, akan dibandingkan nilai antara fA1(X) dan fA2(X). Jika nilai
fA1(X) lebih besar dari fA2(X) maka citra akan terdeteksi terisi mobil , jika nilai
fA1(X) lebih kecil dari fA2(X) maka citra akan terdeteksi kosong.
Pada penelitian ini, nilai Gaussian yang digunakan adalah 0.9 karena merupakan
nilai yang paling akurat berdasarkan hasil pengujian. Hasil dari pengujian sistem yang
telah dilakukan diperoleh nilai akurasi dengan menghitung jumlah data uji yang benar
dibagi dengan jumlah keseluruhan data uji dikali dengan 100%. Maka diperoleh
akurasi sebesar 94%.
Persentase Akurasi =
Jumlah data uji benar
× 100%
Jumlah keseluruhan data uji
=
94
× 100%
100
= 94 %
4.7. Analisis Precision dan Recall
Pada pattern recognition dan information retrieval, precision dan recall adalah dua
perhitungan yang banyak digunakan untuk mengukur kerja dari sistem yang
digunakan. Precision merupakan tingkat ketepatan antara informasi yang diminta oleh
pengguna dengan jawaban yang diberikan sistem. Recall adalah tingkat keberhasilan
Universitas Sumatera Utara
50
sistem dalam menemukan kembali sebuah informasi. Precicion dan recall pada
penelitian ini digunakan untuk mengukur kinerja algoritma Probabilistic Neural
Network (PNN) yang berfungsi untuk menentukan lokasi parkir kosong atau terisi
mobil. Untuk menguji sistem digunakan 100 data yang merupakan citra dari lokasi
parkir yang diambil dari Rumah Sakit Universitas Sumatera Utara.
Tabel 4.6. Analisis Hasil Penelusuran
No
Relevan
(a)
1
94
Tidak
Relevan
(b)
6
Total
(a+b)
100
Tidak
ditemu
kan (c)
6
Total
(a+c)
100
Recall
[a/(a+c)]
x100%
94 %
Precision
[a/(a+b)]
x100%
94 %
Keterangan:
a : Hits (dokumen yang relevan)
b : Noise (dokumen yang tidak relevan)
c : Missed (dokumen relevan yang tidak ditemukan)
Berdasarkan Tabel 4.6 nilai recall adalah 94% dan nilai precision adalah 94%.
Efektifitas dibedakan menjadi dua bagian, yakni efektif jika nilai di atas 50% dan
tidak efektif jika nilai dibawah 50%. Kemudian kondisi ideal dari keefektifan suatu
sistem klasifikasi teks adalah apabila rasio recall dan precision sama besarnya (1:1)
(Lee Pao 1989). Dengan demikian dapat disimpulkan bahwa sistem ini efektif karena
nilai dari recall dan precision 1:1.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
Pada bab ini dijelaskan kesimpulan yang didapat dari hasil implementasi algoritma
Probabilistic Neural Network (PNN) pada proses deteksi lokasi parkir kosong di
Rumah Sakit Universitas Sumatera Utara, beserta saran-saran yang dapat digunakan
sebagai bahan pertimbangan untuk pengembangan ataupun riset selanjutnya.
5.1. Kesimpulan
Berdasarkan hasil penelitian yang dilakukan, maka dapat diambil kesimpulan bahwa
algoritma Probabilistic Neural Network (PNN) dapat mendeteksi lokasi parkir kosong
atau terisi mobil secara real-time sesuai dengan target yang telah ditentukan. Hal
tersebut didukung oleh tingkat akurasi yang mencapai 94%. Adapun hal yang
mempengaruhi keberhasilan penelitian ini adalah intensitas cahaya, dengan adanya
tingkat intensitas cahaya matahari yang cukup sangat membantu untuk mempermudah
sistem mendeteksi lokasi parkir tersebut kosong atau sedang terisi mobil. Sedangkan
jika penelitian dilakukan pada malam hari, sistem ini akan mengandalkan cahaya
lampu yang ada. Dengan intensitas cahaya yang terlalu terang atau terlalu rendah juga
akan mempengaruhi sistem untuk melakukan proses deteksi. Kemudian tingkat
kerapatan citra atau piksel juga akan mempengaruhi keberhasilan sistem. Dari
penelitian ini juga dapat disimpulkan bahwa warna mobil mempengaruhi tingkat
keberhasilan, semakin gelap warna mobil yang dideteksi maka akan semakin besar
resiko kegagalan dari sistem.
5.2. Saran
Berdasarkan penelitian yang telah dilakukan, maka terdapat beberapa saran sebagai
berikut:
1. Untuk penelitian selanjutnya diharapkan sistem dapat mendeteksi lebih dari 5
slot parkir.
Universitas Sumatera Utara
52
2. Dapat menggunakan ekstraksi fitur berdasarkan bentuk untuk mendapatkan
hasil yang maksimal.
3. Menggunakan kamera Closed Circuit Television (CCTV) Arecont Vision
dengan tipe AV10005.
Universitas Sumatera Utara